ارزیابی و مقایسه روش شبکه عصبی مصنوعی و نرم افزارhec-hms در شبیه‌سازی آبنمود بارش - رواناب در حوضه آبخیز معرف کسیلیان

فرایند بارش رواناب یک پدیده ی کاملا پیچیده و غیرخطی در آبشناسی و منابع آب می باشد. در سالهای اخیر، شبکه‌های عصبی مصنوعی کاربرد گسترده ای را در شبیه سازی روابط غیرخطی و پیچیده مانند رابطه ی بارشرواناب پیدا کرده است. دراین تحقیق، به منظور شبیه سازی آبنمود بارشرواناب در حوضه ی آبخیز معرف کسیلیان از روش شبکه ی عصبی مصنوعی (با ساختار7109) و نرم افزار hec-hms استفاده گردید. به منظور آموزش بهتر نرم افزار شبکه ی عصبی مصنوعی داده‌های بارندگی بر اساس الگوی زمانی، مطابق با توزیع بارندگی هاف، به چهار گروه تقسیم شدند. به طورکلی نتایج این تحقیق نشان دادند که محدوده ی قدرمطلق درصد خطای نسبی فراسنج های qp، tp، tb، 75w،50w، 50t و 75t شبیه‌سازی شده به وسیله ی شبکه عصبی به ترتیب 51/97-0/02، 41/23-0/55، 0/26-54/07، 0/23-202/62، 0/52-69/88، 2/21-82/07 و 57/76-2/42 می‌باشند، در حالی که با شبیه‌سازی به وسیله ی نرم افزار hec-hms این حدود به ترتیب 756/53-0/58، 250-0، 141/18-0، 2/84-575، 0/93-167/86، 3/33-350 و 266/67-2 محاسبه شده اند. با توجه به درصد خطای نسبی مربوط به فراسنج های خروجی هر واقعه می‌توان نتیجه گرفت که شبکه ی عصبی در اکثر موارد تمامی فراسنج ها و شکل کلی آبنمود را به خوبی و با خطای ناچیزی نسبت به نرم افزار hec-hms شبیه‌سازی نموده است، البته در بعضی موارد، نرم افزار hec hms توانسته است که شبیه‌سازی بده اوج آبنمود، زمان پایه و شکل کلی آن را به خوبی، یا به ندرت دقیقتر از شبکه ی عصبی انجام دهد.

Evaluation and Comparison of the Artificial Neural Network and the HECHMS Models in the Simulation of the RainfallRunoff process and the development of Hydrograph in the Kasilian representative Basin

The Rainfallrunoff process is a nonlinear and a very complicated phenomenon. As collection of the reliable data is difficult, time consuming and expensive, hydrologists resort to the simulation of such events using the socalled black box models such as the artificial neural network (ANN). However, as such models have been developed and evaluated and different geographical settings, their comparison is essential if one desires to apply them to a certain watershed. To this end, the ANN (version 9107) and the HECHMS models were evaluated and copmarid in generating hydroghraph for the kasilian basin, to improve the models stability and training, the rainfall data were divided into four groups according to the Huff distribution of rainfall pattern. Furthermore, different combinations of transfer functions were used in the hidden and output layers. The ANN model was derived using the Qnet2000 software. The HECHMS model was also used to compare it with the ANN. the absolute relative error of QP, TP, Tb, W75, W50, T50 and T75 parameters simulated using the ANN were 0.0251.97, 0.5541.23, 0.2654.07, 0.23202.62, 0.5269.88, 2.2182.07 and 2.4255.76, respectively. Meanwhile these confines were 0.58756.53, 0250, 0141.18, 2.84575, 0.93167.86, 3.33350 and 2266.67 using the HECHMS model. Regarding the relative error of the outcomes of each event, it can be concluded that the neural network in the most cases has been simulated all the parameters and the overall shape of the hydrograph with little error compared to the HECHMS model. Ofcourse the HECHMS model was rarely more accurately than the ANN in the some cases, for example, to simulate the peak, the base time and overall shape of hydrograph.